論文の概要: LISR: Learning Linear 3D Implicit Surface Representation Using Compactly
Supported Radial Basis Functions
- arxiv url: http://arxiv.org/abs/2402.07301v1
- Date: Sun, 11 Feb 2024 20:42:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 16:19:46.939011
- Title: LISR: Learning Linear 3D Implicit Surface Representation Using Compactly
Supported Radial Basis Functions
- Title（参考訳）: LISR:コンパクトサポート付きラジアル基底関数を用いた線形3次元入射曲面表現の学習
- Authors: Atharva Pandey, Vishal Yadav, Rajendra Nagar, Santanu Chaudhury
- Abstract要約: 部分的かつノイズの多い3次元点雲スキャンから物体を3次元表面で再構成することは、古典的な幾何学処理と3次元コンピュータビジョンの問題である。
本稿では,物体の3次元表面の線形暗黙的形状表現を学習するためのニューラルネットワークアーキテクチャを提案する。
提案手法は,ベンチマークデータセットの最先端手法よりも,チャムファー距離と同等のFスコアを実現する。
- 参考スコア（独自算出の注目度）: 5.056545768004376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit 3D surface reconstruction of an object from its partial and noisy 3D
point cloud scan is the classical geometry processing and 3D computer vision
problem. In the literature, various 3D shape representations have been
developed, differing in memory efficiency and shape retrieval effectiveness,
such as volumetric, parametric, and implicit surfaces. Radial basis functions
provide memory-efficient parameterization of the implicit surface. However, we
show that training a neural network using the mean squared error between the
ground-truth implicit surface and the linear basis-based implicit surfaces does
not converge to the global solution. In this work, we propose locally supported
compact radial basis functions for a linear representation of the implicit
surface. This representation enables us to generate 3D shapes with arbitrary
topologies at any resolution due to their continuous nature. We then propose a
neural network architecture for learning the linear implicit shape
representation of the 3D surface of an object. We learn linear implicit shapes
within a supervised learning framework using ground truth Signed-Distance Field
(SDF) data for guidance. The classical strategies face difficulties in finding
linear implicit shapes from a given 3D point cloud due to numerical issues
(requires solving inverse of a large matrix) in basis and query point
selection. The proposed approach achieves better Chamfer distance and
comparable F-score than the state-of-the-art approach on the benchmark dataset.
We also show the effectiveness of the proposed approach by using it for the 3D
shape completion task.
- Abstract（参考訳）: 部分的かつノイズの多い3dポイントクラウドスキャンからの暗黙の3d表面再構成は、古典的な幾何学的処理と3dコンピュータビジョンの問題である。
文献では, 容積, パラメトリック, 暗示面など, 記憶効率や形状検索の効率の異なる様々な3次元形状表現が開発されている。
放射基底関数は暗黙の表面のメモリ効率のパラメータ化を提供する。
しかし, 基底の暗示面と線形基底に基づく暗示面との間の平均2乗誤差を用いたニューラルネットワークのトレーニングは, 大域的な解に収束しないことを示す。
本研究では,暗黙曲面の線形表現に対して局所的に支援されたコンパクト放射基底関数を提案する。
この表現により、任意の位相を持つ3次元形状を任意の解像度で生成することができる。
次に,物体の三次元表面の線形暗黙的形状表現を学習するためのニューラルネットワークアーキテクチャを提案する。
我々は,SDFデータを用いて教師付き学習フレームワーク内で線形な暗黙の形状を学習し,指導を行う。
古典的な戦略は、数値的な問題(大きな行列の逆問題)とクエリポイントの選択により、与えられた3次元点雲から線形な暗黙の形状を見つけるのが困難である。
提案手法は,ベンチマークデータセットの最先端手法よりも,チャムファー距離と同等のFスコアを実現する。
また,提案手法を3次元形状完了タスクに使用することにより,提案手法の有効性を示す。
関連論文リスト
- Normal-guided Detail-Preserving Neural Implicit Functions for High-Fidelity 3D Surface Reconstruction [6.4279213810512665]
RGBまたはRGBD画像からニューラル暗黙表現を学習する現在の方法は、欠落した部分と詳細を持つ3D曲面を生成する。
本稿では,1次微分特性を持つニューラル表現のトレーニング,すなわち表面正規化が,高精度な3次元表面再構成をもたらすことを示す。
論文 参考訳（メタデータ） (2024-06-07T11:48:47Z) - 3D Neural Edge Reconstruction [61.10201396044153]
本研究では,線と曲線に焦点をあてて3次元エッジ表現を学習する新しい手法であるEMAPを紹介する。
多視点エッジマップから無符号距離関数(UDF)の3次元エッジ距離と方向を暗黙的に符号化する。
この神経表現の上に、推定されたエッジ点とその方向から3次元エッジを頑健に抽象化するエッジ抽出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:23:51Z) - ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文 参考訳（メタデータ） (2024-03-15T14:35:05Z) - 3D Surface Reconstruction in the Wild by Deforming Shape Priors from
Synthetic Data [24.97027425606138]
1枚の画像から被写体の3次元表面を再構築することは難しい問題である。
本稿では,1枚の画像から3次元合成とオブジェクトポーズ推定を行う新しい手法を提案する。
提案手法は,複数の実世界のデータセットにまたがって,最先端の再構築性能を実現する。
論文 参考訳（メタデータ） (2023-02-24T20:37:27Z) - Uncertainty Guided Policy for Active Robotic 3D Reconstruction using
Neural Radiance Fields [82.21033337949757]
本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。
提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。
ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
論文 参考訳（メタデータ） (2022-09-17T21:28:57Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳（メタデータ） (2021-11-08T05:29:35Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-10T14:31:54Z) - DEF: Deep Estimation of Sharp Geometric Features in 3D Shapes [43.853000396885626]
サンプル3次元形状のシャープな幾何学的特徴を予測するための学習ベースフレームワークを提案する。
個々のパッチの結果を融合させることで、既存のデータ駆動方式では処理できない大きな3Dモデルを処理できる。
論文 参考訳（メタデータ） (2020-11-30T18:21:00Z) - Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic
Segmentation [87.54570024320354]
大規模運転シーンのLiDARセマンティックセマンティックセグメンテーションのための最先端の手法は、しばしば2D空間の点雲を投影して処理する。
3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。
我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
論文 参考訳（メタデータ） (2020-08-04T13:56:19Z) - Coupling Explicit and Implicit Surface Representations for Generative 3D
Modeling [41.79675639550555]
本稿では,2つの相補的な形状表現を利用する3次元曲面を表現するニューラルアーキテクチャを提案する。
これら2つの表現は、新しい一貫性損失を導入することで相乗効果を得る。
我々のハイブリッドアーキテクチャの出力結果は、2つの等価な単一表現ネットワークの出力よりも優れている。
論文 参考訳（メタデータ） (2020-07-20T17:24:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。